[发明专利]基于时序分解单元的深度交通流预测方法、介质及其设备

权利要求书

1.一种基于时序分解单元的深度交通流预测方法，其特征在于，包括以下步骤：

S1、获取待预测路段的历史交通流数据，并按照时序排列后获得交通流数据序列X；

S2、将交通流数据序列X作为深度模型的输入，所述深度模型中包含N层逐层堆叠的时序分解单元；每一层时序分解单元结构相同，均由自相关模块和序列分解模块级联而成；其中，交通流数据序列X作为第1层时序分解单元的单元输入序列，由自相关模块输出所述单元输入序列的相关系数R，所述相关系数R为在一个时序信号周期内不断改变时延间隔并计算自相关函数值后得到的最大的前K个自相关函数值之和，再基于相关系数R由前馈网络生成新的时序数据X′，然后新的时序数据X′输入序列分解模块中通过平均池化输出时序数据中的周期项SP₁，再以新的时序数据X′和周期项SP₁的差值作为趋势项TP₁进行输出；对于其余n≥2的任意第n层时序分解单元，以第n-1层时序分解单元输出的周期项SP_n-1作为自身的单元输入序列，由自相关模块和序列分解模块输出时序数据中的周期项SP_n和趋势项TP_n；所述深度模型的输出层计算第N层时序分解单元输出的周期项SP_N以及所有N层时序分解单元输出的趋势项TP_n的加权和，从而得到待预测路段未来交通流的预测结果；

对于任意第n∈[1，…，N]层时序分解单元，其中自相关模块中相关系数R和X′的计算公式为：

X′＝max(0，W₁R+b₁)W₂+b₂

其中：R_X，X(T_k)表示时延间隔＝T_k的自相关函数，T₁，…，T_K表示在[1，…，k]的时延间隔取值范围内使自相关函数值最大的前K个整数时延间隔值；max表示取两个数值中较大值的的操作，W₁，W₂，b₁，b₂表示可学习参数；

对于任意第n∈[1，…，N]层时序分解单元，其中序列分解模块中周期项SP_n和趋势项TP_n的计算公式为：

SP_n＝avgpool(X′)

TP_n＝X′-SP_n

其中avgpool函数表示平均池化操作；

所述自相关函数用公式表示为：

式中：L表示交通流数据序列X的长度，X_t、分别表示交通流数据序列X中t时刻、时刻的交通流数据。

2.如权利要求1所述的基于时序分解单元的深度交通流预测方法，其特征在于，所述未来交通流的预测计算公式如下：

其中W_s，W_n分别为可学习参数。

3.如权利要求1所述的基于时序分解单元的深度交通流预测方法，其特征在于，所述深度模型预先经过模型训练，使其模型的预测精度满足使用要求。

4.如权利要求1所述的基于时序分解单元的深度交通流预测方法，其特征在于，所述深度模型在训练过程中，模型中的可学习参数采用反向传播算法学习更新。

5.根据权利要求3所述的基于时序分解单元的深度交通流预测方法，其特征在于：模型每一轮训练完毕后，采用平均绝对误差计算其预测精度。

6.根据权利要求3所述的基于时序分解单元的深度交通流预测方法，其特征在于：模型每一轮训练完毕后，采用均方根误差计算其预测精度。

7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如权利要求1～6任一所述的基于时序分解单元的深度交通流预测方法。

8.一种基于时序分解单元的深度交通流预测设备，其特征在于，包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1～6任一所述的基于时序分解单元的深度交通流预测方法。